이것은 previous question의 후속 조치입니다. 여기서 위도와 긴 좌표로 유클리드 거리를 사용하면 올바른 결과가 나오지 않는다고 설명했습니다. 문서에서 ELKI enables geographic data, 즉 int의 거리 함수가 다양한 클러스터링 알고리즘에 있음을 읽었습니다. ELKI의 사용자 인터페이스에서 기본 거리 함수 (euclidian)
ELKI를 사용하여 일부 지형 공간 데이터 (위도/경도 쌍)를 채굴하고 올바른 데이터 유형과 알고리즘을 사용하는 데 상당히 신경을 씁니다. params.addParameter (DISTANCE_FUNCTION_ID, geo.LngLatDistanceFunction.class);
이 결과는 매우 놀라운 일이다 그러나 :이 생성 울부 짖는 소리로 (나는,
ELKI 라이브러리를 사용하여 DBSCAN 클러스터링 테스트 응용 프로그램을 구현하려고합니다. 내 데이터 세트는 6 차원이며 약 100.000 개의 개체로 구성됩니다. 내 코드에서 R * -Tree ELKI 최적화를 사용하려고했지만 코드를 벤치마킹하면 여전히 O (n^2)와 함께 사용되는 것처럼 보입니다. 이 내가 내 응용 프로그램 내에서 사용하는 코드입니
파이썬으로 명목상 데이터를 클러스터링하는 클러스터링 알고리즘을 찾으려고합니다. 그 목적을 위해 나는 RapidMiner로 DBSCAN 알고리즘을 시도했고 명목상 데이터로 작업했습니다. 그러나 scikit-learn에서 제공하는 DBSCAN 알고리즘을 사용하여 동일한 데이터 세트를 시도 할 때 함수가 문자열을 부동으로 변환 할 수 없다는 오류가 발생했습니다.
DBSCAN (scikit learn implementation) 및 위치 데이터를 사용하여 클러스터를 만들려고합니다. 내 데이터는 np 배열 형식이지만 Haversine 공식을 사용하여 DBSCAN을 사용하려면 거리 매트릭스를 만들어야합니다. 나는 (모듈 '호출 할 수없는 오류')이 일을하려고하면 다음과 같은 오류가 나타납니다. 이것은 온라인으로 읽은 것
저는 구형에 분산 된 데이터 세트를 가지고 있으며 scikit-learn에서 배포 한 DBSCAN 함수에 어떤 메트릭을 제공해야하는지 이해하려고합니다. 유클리드 측정 기준이 될 수는 없습니다. 측정 기준은 유클리드 기준이 아니므로 배포됩니다. sklearn 패킷에 이러한 사례에 대해 구현 된 측정 항목이 있거나 작은 하위 집합의 데이터를 (길고 지루한 경우
도시에서 사용자가 생성 한 데이터와 같이 밀도가 다양한 영역의 클러스터를 감지하고 알고리즘을 OPTICS으로 채택했습니다. DBSCAN과 달리 OPTICS 알고리즘은 엄격한 클러스터 파티션을 생성하지 않고 데이터베이스의 증가 된 순서를 생성합니다. 클러스터 파티션을 생성하기 위해 OPTICS 출력을 기반으로 분류를 생성하는 또 다른 알고리즘 인 OPTICS